TopoFormer引领人工智能：深度学习药物研发新纪元，精确预测分子相互作用，Nature子刊权威报道

在药物研发领域，人工智能的应用正在不断拓展。美国密歇根州立大学的一个跨学科团队，由数学教授Guowei Wei领导，开发出了一项名为TopoFormer的新技术，旨在提升药物研发效率。该技术将分子的三维信息转换为人工智能药物相互作用模型可处理的数据，增强模型预测药物有效性的能力。

TopoFormer有望缩短药物研发时间，降低开发成本，从而减少消费者的药品价格。这项研究发表在2024年6月24日的《Nature Machine Intelligence》期刊上，标题为“Multiscale topology-enabled structure-to-sequence transformer for protein-ligand interaction predictions”。

当前，药物研发过程中，计算机模型虽有帮助，但因涉及众多变量而受限。人体内有超过20,000种蛋白质，当疾病发生时，某些蛋白质可能成为目标。TopoFormer能帮助研究人员快速确定目标蛋白质，并预测分子与蛋白质的互动，以寻找潜在药物。

Guowei Wei教授指出，现有的深度学习模型无法充分考虑分子形状对药物效果的影响。为解决这一问题，他的团队引入了拓扑Transformer模型TopoFormer，将Persistent Topological Hyperdigraph Laplacian（PTHL）与Transformer架构相结合。TopoFormer处理3D蛋白质-配体复合物，通过PTHL转换为拓扑不变量和同伦形状的序列，捕捉多尺度的物理、化学和生物相互作用。

在预训练和微调阶段，TopoFormer能理解复杂的分子相互作用，包括立体化学效应。通过集成多个拓扑变换深度学习模型和序列模型，TopoFormer成为一个综合模型，同时利用拓扑洞察和深度学习，提供蛋白质-配体相互作用的精准分析。

TopoFormer在评分、排名、对接和筛选等任务中表现出色，能识别复杂的相互作用，如共价力、离子力和范德华力。通过多尺度分析，它能提取详细的物理和化学特征，增强对蛋白质-配体相互作用的理解。

总结来说，TopoFormer是一个创新的工具，它将三维信息转化为一维信息，使现有模型能更好地理解药物和蛋白质的相互作用，加速药物发现进程。

本文来源： 机器之心【阅读原文】